[发明专利]用GPU实现压缩感知超声成像的方法

摘要

本发明公开了一种用GPU实现压缩感知超声成像的方法，主要解决压缩感知理论框架下成像重建时间较慢的问题。其实现步骤为：1.根据设定的分辨率，对探测区域进行离散化并对该区域进行宽带脉冲扫描，得到回波向量和观测矩阵，进而建立超声成像数学模型；2.将回波向量与观测矩阵分块并复制到GPU显存中；3.在GPU中计算迭代步长；4.将迭代步长带入快速迭代收缩阈值算法求解出重建观测场景散射强度；5.将该散射强度复制到主存中取模值并排列成一个二维矩阵，得到重建的超声图像。本发明相对传统的快速迭代收缩阈值算法，重建时间从分钟级别降低到毫秒级别，极大提高了超声成像的实时性，可用于超声实时处理领域。

主权项

一种用GPU实现压缩感知超声成像的方法，其特征在于，包括以下步骤：(1)将超声探测区域二维离散化，得到N个离散化的像素点，其中N＝T×S，T表示轴向像素的个数，S表示侧向像素的个数；(2)将超声宽带脉冲发射信号在频域均匀采样得到W个频点，按频点顺序依次对已离散化的二维探测区域进行一次平面波扫描，每次扫描得到一个长度为A的局部观测回波向量b_t，并将这W个局部观测回波向量按从上到下顺序合成长度为M＝A×W的观测回波向量b＝{b₁,...,b_t,...,b_W}，同时保存由这W个频点产生的回波声场强度矩阵Ψ₁,...,Ψ_t,...,Ψ_W，其中，A表示超声线阵的阵元个数，矩阵Ψ_t的宽度为A，长度为N，1≤t≤W；(3)将回波声场强度矩阵Ψ₁,...,Ψ_t,...,Ψ_W，按照从上到下顺序排列成一个大小为M×N的观测矩阵Ψ；将离散化的二维探测区域按照行优先的顺序排列成一个目标向量x；(4)根据回波向量b和观测矩阵Ψ定义基于压缩感知的超声成像数学模型：$X^{*}=\arg \underset{x}{\min }\{{\left|\right|\mathrm{\Ψx}-b\left|\right|}_2^2+\mathrm{\λ}{\left|\right|x\left|\right|}_1\}---1)$其中X^*为重建观测场景散射强度，x为目标向量，λ为正则化参数，表示向量Ψx‑b二范数的平方，||x||₁表示目标向量x的一范数；(5)在GPU中对上述数学模型进行求解，得到重建观测场景散射强度X^*：(5a)初始化：n＝0，ε＝10^‑3,其中n表示第n次迭代，ε表示迭代终止条件；(5b)将观测矩阵Ψ按行均匀等分成宽度为M/K，长度为N的K个子矩阵Ψ＝{Ψ_s1,...,Ψ_si,...,Ψ_sK}，要保证每个子矩阵数据量小于显存的容量上限，1≤i≤K；(5c)将每个子矩阵Ψ_si以列优先顺序向量化为一维行向量d_MA_i并采用流操作拷贝到显存中，此时观测矩阵Ψ转换成一个宽度为K，长度为M/K×N的向量化矩阵d_MA＝{d_MA₁,...,d_MA_i,...,d_MA_K}，其中观测矩阵Ψ与向量化矩阵它们存在一一对应的关系；将回波向量b等分成长度为M/K的K块，b＝{b₁,...,b_i,...,b_K}，并拷贝到显存中；(5d)根据向量化矩阵d_MA计算基于梯度下降算法的迭代步长μ：(5d1)在GPU中建立一个重复执行K次的循环，每次循环创建一个k_step内核函数,求出向量d_MA_i对应观测矩阵Ψ每一列元素模值的和；(5d2)循环结束后，求出向量d_sum的二范数，取倒数即得到迭代步长μ；(5e)将回波向量b、向量化矩阵d_MA和迭代步长μ带入快速迭代收缩阈值算法中，经过多次梯度下降和快速阈值收缩过程，直到目标向量满足迭代终止条件，得到重建观测场景散射强度X^*；(6)将重建场景散射强度X^*拷贝到主机端内存取模值，并按照先行后列的顺序排列成一个二维矩阵，得到重建的超声图像。